Kursplan för Principer för statistisk slutledning

Kursplan fastställd 2024-02-05 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnStatistical inference principles
  • KurskodMVE326
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPENM
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeMatematik
  • InstitutionMATEMATISKA VETENSKAPER
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

Kurstillfället är inställt. Kurstillfället ges enligt plan vartannat år. För frågor kontakta utbildningssekreteraren för
  • Undervisningsspråk Engelska
  • Anmälningskod 20149
  • Sökbar för utbytesstudenterNej

Poängfördelning

0115 Inlämningsuppgift, del A 2,5 hp
Betygsskala: UG		0 hp0 hp2,5 hp0 hp0 hp0 hp
0215 Tentamen, del B 5 hp
Betygsskala: TH		0 hp0 hp5 hp0 hp0 hp0 hp

    Examinator

    Behörighet

    Grundläggande behörighet för avancerad nivå
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Särskild behörighet

    Engelska 6
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Kursspecifika förkunskaper

    För tillträde till kursen krävs kunskaper motsvarande kursen MVE155 Statistisk slutledning. Dessutom krävs kunskaper motsvarande minst 15 hp på avancerad nivå i matematisk statistik.

    Syfte

    Kursen behandlar på ett matematiskt och rigoröst sätt matematisk statistik och principer för statistisk slutledning. Utöver behandlingen av centrala statistiska begrepp och modeller så diskuteras och jämförs olika filosofiska perspektiv på vetenskaplig inferens.

    Lärandemål (efter fullgjord kurs ska studenten kunna)

    Studenten skall efter fullföljd kurs kunna matematiska grundläggningar av
    • poängskattning inklusive att hitta och evaluera skattningar,
    • hypotestester inklusive att hitta och evaluera test,
    • intervallskattning inklusive att hitta och evaluera skattningar,
    • asymptotisk skattning,

    och skall kunna använda dessa begrepp och satser i teoretiska övningar och programmeringsövningar.

    Innehåll

    Det centrala innehållet i kursen är:
    • exponentiella familjer av sannolikhetsfördelningar
    • uttömmande- och likelihoodprinciperna för datareduktion
    • maximum likelihoodskattningar and Bayesianska skattningar
    • EM-algoritmen
    • likelihoodratiotester och Bayesianska tester
    • starkaste tester
    • intervallskattningar
    • asymptotisk skattning

    Organisation

    Föreläsningar, övningar, inlämningsuppgifter

    Litteratur

    Litteratur anges separat.

    Examination inklusive obligatoriska moment

    Skriftliga inlämningar. Skriftlig examen.

    Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.